An End-to-End Human-Centered Automation of a Collaborative Analysis Platform
Notice bibliographique
Résumé
Interactive machine learning (iML) integrates human insight into automated analysis to facilitate advanced knowledge discovery. However, state of the art in iML techniques face two significant difficulties, which hinder an end-to-end automation in such integration. One difficulty is to address different analysis requirements of individuals (i.e., users); another difficulty is to handle various experience levels of the users. These difficulties become profound in collaborative analysis, in which users work together for knowledge discovery. To overcome these difficulties, we present a novel iML scheme of adapting automated analysis workflows to user interactions. This scheme models the priority of tasks, which constitute an automated workflow. Taking account of the users' analysis objectives, the modelling incorporates implicitly their requirements based on their past and current interactions with task outputs. Moreover, the modelling exploits collective knowledge within user groups as well as document databases to map task relevance to the objectives. This human-centered modeling ensures that no explicit user intervention is necessary to adapt the workflows. Furthermore, the degree of the adaptation incorporates varying experience levels of the users, which is deduced from their interactions. Thus, our iML scheme enables an end-to-end automation of analysis workflows. For a preliminary assessment of the scheme, we have designed an emulator of user interactions to generate various scenarios of collaborative analysis. We observed that the scheme exhibited desired adaptation to varying user interactions. The adaptation took a short computation time to ensure the targeted end-to-end automation. These findings show the potential of deploying the proposed fully automated iML scheme in practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».